人的视觉系统对图像分割是十分复杂的，也是相当有效的。但分割原理和模型都未搞清楚。分割方法分类：人机交互－－手工勾画，训练区办法。分类－－统计分类（统计模式识别方法）阈值法－－（与对象有关）边缘检测法：边缘检测算子－－已知算子模板匹配－－已知模板最佳曲面拟合－－已知函数纹理检测生长法，贯序分割法，松弛法（Relaxation）其它等等。实际分割中考虑几个因素：噪音干扰－－加大窗口光强不均匀－－用边缘检测法本身不确定性与不连续性－－智能性算法（本章介绍方法与其说是典型性，不如说是启发性，分割方法太多，开拓思路。）6.2象素分类法分割用特征：灰度灰度梯度粗糙度Vx=∣A-B∣+∣B-C∣+∣D-E∣+∣E-F∣+∣G-H∣+∣H-I∣Vy=∣A-D∣+∣D-G∣+∣B-E∣+∣E-H∣+∣C-F∣+∣F-I∣粗糙度=Min(VX,VY)（纹理：边缘突变不考虑，边缘不属于纹理。）分维数：盒维，以某个点为中心可以计算出局部维数。统计模式识别，监督分类方法:目标与背景灰度不同，把灰度看作特征已知：先验概率P(1),P(2)，第1，2类出现概率P(1)+P(2)=1条件概率：p(z/1)，p(z/2)图像可统计直方图p(z)=p(z/1)·p(1)+p(z/2)·p(2)——全概率公式选择分类阈值t,使总的分类误差最小即：z<t属1类z≥t属2类误分类情况：2类误分为1类：1类误分为2类：总误分概率：举例讨论：设p(z/1),p(z/2)为正态分布6.3门限法（域值法）Thresholding（真实情况不知条件概率分布，用经验法近似）直接从图象中选一门限将图象分成两区，或由直方图选出谷值。影响图素：噪音、照度不均匀，结构特征。注意：人的识别不是绝对值，而是对灰度变化最敏感。简单情况下取直方图谷值点作分割阈值。图象中有噪音干扰，先做平滑处理，后取门限。光照不均匀：ａ先修正光照不均匀，再取门限。b分区分割目的：减少光照不均匀而影响的分割效果。多波段：R、G、B多幅直方图同时出现谷值。取局部特征：如纹理——粗糙度此结构特征优于灰度特征，因为与结构有关，若取局部特征，并对局部特征图平滑之后，再取阈值，则效果更好。b灰度与灰度梯度图6.4边缘检测法见本图“A”字，照度不均匀。方法1：可调整亮度，再取阈值。方法2：直接检测边界。求导取阈值——抽取边界，实质是在图像梯度图上取阈值来找出边缘。算子：Robot、Sobel等。曲面拟合法以某一点的邻域的灰度拟合成某一曲面，将拟合后曲面梯度作为该象素点的梯度。如最简单用z=f(x,y)=ax+by+c函数与f(x,y),f(x+1,y),f(x,y+1),f(x+1,y+1)拟合拟合误差：E(a,b,c)=[ax+by+c-f(x,y)]2+[a(x+1)+by+c-f(x+1,y)]2+[ax+b(y+1)+c-f(x,y+1)]2+[a(x+1)+b(y+1)+c-f(x+1,y+1)]26.5生长法－－（与分裂法相对）由单个象素开始合并成一定大小的区。当相邻区相似时则合并（由单个象素算一个区开始）。实际上不必非从单个象素开始，而是由小区开始，小区不仅速度快，而且对噪音的敏感程度降低。区域特征相似的部分组成一目标区，给定某一初值m（区域灰度均值）。m±t都属于同一个区。结论：该P点处灰度为Z的噪音由下式给出：6.6贯序分割：[以前讨论仅涉及单个点或单个点的固定小邻域——局部处理性质，有局限性，但便于并行处理——与处理顺序无关。讨论全局性——通过邻点相互影响而扩大影响范围，顺序先后有关，用较简单方法，选出开始点后，用较复杂算法追踪其余点。]人的识别具有全局性，相关性。先找到肯定的边界点，对其邻点可放宽要求。具体方法很多：1)光栅扫描方式：选定两个阈值——检测阈值d，跟踪阈值t，d>t。起点要求严，中间点由于有相互关系可放松要求。d=9,t=4a逐行扫描找出>d的象素点（x，y）b根据已知（x，y）在（x+1，y-1），（x+1，y），（x+1，y+1）三点中判断是否有>t的点（放宽要求）。优点：搜索简单，全图每个象素只访问一次。问题：a与扫描方向有关,由弱→强之曲线可能丢失一段。b不能跟踪扫描方向上的点。2)全面跟踪把检测到的起始点的八个邻点均作为候选点。流程：a找到一个起始点开始跟踪。b若在该起始点有多个合格候选点，取一个点继续跟踪，余者入栈。c若一条线跟踪结束后，再从栈中取出一点做跟踪处理。d全部栈中用完后，找下一个检测合格起点。e全图扫描完结束。讨论：1)只用到一个相邻关系，未用到全部相邻。2)只用到直